Speech to Text หรือ Automatic
Speech Recognition (ASR) คือเทคโนโลยีที่ช่วยแปลงเสียงเป็นข้อความ ซึ่งได้รับการพัฒนาขึ้นมาตั้งแต่ช่วงทศวรรษ
1950 ในห้องปฏิบัติการ Bell Laboratories
แต่ในเวลานั้นรองรับได้เพียงการแปลงเสียงพูดที่เป็นการพูดถึงตัวเลขเท่านั้น ปัจจุบันเทคโนโลยี
Speech to Text มีความก้าวหน้าขึ้นอย่างมาก สามารถรองรับการแปลงเสียงพูดได้หลากหลายบริบท
และยังรองรับไฟล์เสียงหลายรูปแบบ ทั้ง MP3, WAV และ FLAC จนมีการนำไปใช้งานอย่างกว้างขวางในอุตสาหกรรมต่าง ๆ เช่น การศึกษา สื่อและความบันเทิง
หรือธุรกิจบริการ &nbsp;เช่น การถอดคำบรรยายจากคอร์สเรียนออนไลน์
การทำคำบรรยายข้างใต้ภาพยนตร์หรือคลิปวิดีโอ การถอดคำพูดจากบทสนทนาทางโทรศัพท์ เป็นต้น

Speech to Text สามารถแปลงเสียงให้เป็นข้อความได้อย่างไร

Speech to Text ทำงานโดยให้โมเดลเรียนรู้จากชุดข้อมูลที่เป็นไฟล์เสียงพูด
จนโมเดลสามารถประมวลผลข้อมูลใหม่ได้ โดยโมเดลที่ VISAI
ให้บริการอยู่ พัฒนาโดยการให้เรียนรู้จากไฟล์เสียงพูดภาษาไทยเป็นจำนวนมากกว่า
1,000 ชั่วโมง โดยรวบรวมข้อมูลจากแหล่งออนไลน์หลากหลายที่
&nbsp;จากนั้นผู้เชี่ยวชาญจะมาหาคุณลักษณะเด่น (Feature
Extraction) ของเสียง โดยจะนำสัญญาณเสียงมาประมวลผลผ่านตัวกรองฟิลเตอร์แบงค์
(filter bank)
ได้ออกมาเป็นคุณลักษณะเด่นของเสียงที่ชื่อว่าค่าสัมประสิทธิ์เซปสตรัมบนสเกลเมล &nbsp;ซึ่งเป็นคุณลักษณะเสียงในรูปของความถี่ของเสียงต่อเวลา
ที่ตั้งใจลอกเลียนให้คล้ายกับหูของมนุษย์เวลาได้ยินเสียง แล้วนำคุณลักษณะเด่นของเสียงเข้าโมเดล
Deep Learning เพื่อถอดเป็นข้อความ

VISAI มีโมเดล Speech to
Text สำหรับภาษาไทย ซึ่งได้รับการพัฒนาร่วมกับ Gowajee ผู้เชี่ยวชาญเรื่องปัญญาประดิษฐ์ด้านเสียงในประเทศไทย
ซึ่งเหมาะกับการนำไปช่วยงานหลากหลาย ทดลองใช้งานได้ที่ <a href="https://acp.visai.ai/th/product/speech-to-text">Speech
to Text </a>&nbsp;

รูปแบบการแปลงเสียงให้เป็นข้อความด้วย
Speech to Text

ปัจจุบัน Speech
to Text มักพบได้ 2 รูปแบบ คือ

Speech to Text สำหรับการอัปโหลดไฟล์
โดยสามารถอัปโหลดไฟล์เสียงหรือวิดีโอที่บันทึกไว้เข้าในระบบ จากนั้น Speech
to Text จะถอดเสียงพูดที่อยู่ในไฟล์ให้อยู่ในรูปตัวอักษร ซึ่งโมเดล
Speech to text ของ VISAI จัดอยู่ในรูปแบบแรกนี้ &nbsp;

Speech to Text สำหรับแปลทันที โดยโมเดล
Speech to Text จะถอดเสียงพูดในไฟล์เสียงหรือวิดีโอให้อยู่ในรูปแบบตัวอักษรทันที พร้อมกับที่ไฟล์เสียงหรือวิดีโอนั้นเล่นอยู่ด้วย

ตัวอย่างการใช้งานเทคโนโลยี Speech to Text ในภาคธุรกิจ&nbsp;

1.&nbsp;คอลเซ็นเตอร์
(Call Center)

Speech to Text เข้ามามีบทบาทกับการทำงานของคอลเซ็นเตอร์ โดยช่วยสนับสนุนพนักงานคอลเซ็นเตอร์ให้มอบบริการแก่ลูกค้าได้ดียิ่งขึ้น
โดยทั่วไปคอลเซ็นเตอร์จะบันทึกบทสนทนาทางโทรศัพท์ระหว่างเจ้าหน้าที่และลูกค้า ซึ่ง
Speech to Text สามารถเข้ามาช่วยถอดคำพูดในบันทึกบทสนทนา เพื่อนำข้อมูลไปใช้วิเคราะห์ปัญหาต่างๆ
และนำมาสนับสนุนธุรกิจ อีกหนึ่งตัวอย่างการประยุกต์ใช้งานสำหรับคอลเซ็นเตอร์คือ
การระบุความต้องการของลูกค้าในสายโดยอัตโนมัติ และเชื่อมต่อลูกค้าไปยังแผนกที่เกี่ยวข้อง
เพื่อแก้ไขสถานการณ์ได้อย่างถูกต้อง

2.&nbsp;ผู้ช่วยเอไอ (AI
Assistant)

Speech to Text มีบทบาทในการช่วยทำความเข้าใจภาษาธรรมชาติ โดย Speech to Text จะแปลงเสียงของผู้พูดให้กลายเป็นตัวอักษร จากนั้นจะนำข้อมูลตัวอักษรไปประมวลผล
เพื่อเปิดใช้งานระบบปฏิสัมพันธ์บนอุปกรณ์ไฟฟ้า รถ หรือบ้านอัจฉริยะต่างๆ เอไอผู้ช่วยที่มีชื่อเสียง
ได้แก่ Alexa จาก Amazon, Siri จาก Apple,
และ Google Assistant เป็นต้น

3.&nbsp;การทำคำบรรยายข้างใต้ภาพยนตร์หรือคลิปวิดีโออัตโนมัติ
(Video Subtitle)

Speech to Text
จะแปลงเสียงพูดในคลิปวิดีโอให้กลายเป็นตัวหนังสือคำบรรยายข้างใต้วิดีโอ
การใช้งาน Speech to Text รูปแบบนี้สามารถนำไปใช้ประยุกต์ได้กับงานภาพยนตร์
คอร์สเรียนออนไลน์ หรือวิดีโออื่นๆ โดยจะช่วยทำให้ผู้ใช้ได้รับประสบการณ์การใช้งานที่ดีขึ้น
โดยเฉพาะอย่างยิ่ง เมื่อผู้พูดในวิดีโอพูดเร็วเกินไป หรือผู้ใช้งานไม่ใช่ผู้พูดเจ้าของภาษา

จนถึงตอนนี้ เห็นได้ชัดเลยว่า Speech to text หรือ Automatic Speech
Recognition (ASR) เทคโนโลยีที่ช่วยแปลงเสียงพูดให้กลายเป็นตัวอักษรได้กลายเป็นโมเดลปัญญาประดิษฐ์ที่สำคัญของซอฟต์แวร์หรือแอปพลิเคชันที่ใช้งานกันอย่างแพร่หลายในอุตสาหกรรมทั้งในแวดวงการศึกษา
สื่อและความบันเทิง รวมถึงธุรกิจทั่วไป เพื่อมาช่วยในการนำไปถอดคำพูดในวิดีโอการเรียนการสอน
การทำคำบรรยายข้างใต้วิดีโอและภาพยนตร์
การถอดบทสนทนากับลูกค้าเพื่อนำข้อมูลไปปรับปรุงและพัฒนาการให้บริการ วันนี้ VISAI
พร้อมให้บริการ Speech to Text กับคุณแล้วด้วยโมเดลคุณภาพสูงที่แปลงเสียงพูดภาษาไทยและคำทับศัพท์ให้ออกมาเป็นตัวอักษรได้อย่างแม่นยำ
พร้อมรองรับไฟล์ได้หลากหลายรูปแบบไม่ว่าจะเป็นไฟล์เสียง เช่น ไฟล์สกุล WAV, MP3, OGG และ FLAC หรือไฟล์วิดีโอ เช่น ไฟล์สกุล MP4,
AVI และ MPEG หากสนใจ
ทดลองใช้งานได้ที่เว็บไซต์ <a href="https://acp.visai.ai/th/product/speech-to-text">Speech to Text</a> 